买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜温州大学申请的专利一种基于双线路迭代卷积神经网络的高光谱异常检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119963930B 。

龙图腾网通过国家知识产权局官网在2025-06-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510444288.X，技术领域涉及：G06V10/764；该发明授权一种基于双线路迭代卷积神经网络的高光谱异常检测方法是由洪立;夏超群;项维特设计研发完成，并于2025-04-10向国家知识产权局提交的专利申请。

本一种基于双线路迭代卷积神经网络的高光谱异常检测方法在说明书摘要公布了：本发明公开了一种基于双线路迭代卷积神经网络的高光谱异常检测方法，包括如下步骤：步骤S1，输入及参数设定；步骤S2，异常增强线路；步骤S3，背景重构线路；步骤S4，异常点判定；步骤S5，高光谱数据更新；步骤S6，检测图生成。本发明中，背景重构线路专注于背景重构，异常增强线路负责异常增强，两者互为补充，相互促进，实现了更加准确的异常检测，克服了传统方法中背景重构和异常检测较难有效结合的问题。本发明中，结合超像素技术，使用基于与周围像素点对比的异常检测策略，提高了对局部的敏感性，使异常目标的选取更加简便且高效，提升了检测效率，避免可能存在的计算冗余和效率瓶颈。

本发明授权一种基于双线路迭代卷积神经网络的高光谱异常检测方法在权利要求书中公布了：1.一种基于双线路迭代卷积神经网络的高光谱异常检测方法，其特征在于，包括如下步骤： 步骤S1，输入及参数设定，输入高光谱数据，将高光谱数据投入到异常增强线路和背景重构线路，初始化超像素个数、卷积核大小、学习率以及迭代次数； 步骤S2，异常增强线路中，将高光谱数据投入进异常检测器中，以得到异常概率图，并使用连通区域分析来筛选异常区域，以生成异常检测图，采用滑动平均更新策略，得到异常概率检测图； 步骤S3，背景重构线路中，全局鲁棒CNN，对高光谱数据进行超像素划分并构建拉普拉斯矩阵；将上述操作融合至卷积神经网络中，对高光谱数据进行重构，重构后的数据与原数据的误差作为异常概率检测图； 步骤S4，异常点判定，将异常增强线路和背景重构线路分别得到的异常概率检测图进行点乘，得到最终异常概率图； 步骤S5，高光谱数据更新，根据最终异常概率图对异常增强线路和背景重构线路输入的高光谱数据进行实时更新； 步骤S6，检测图生成，完成迭代后，将更新后的背景重构线路的输入数据与原数据的差异作为异常检测图输出； 在步骤S3中，卷积神经网络采用编码-解码网络结构，编码网络用于提取局部特征，在其输出上加入拉普拉斯矩阵后再投入到解码网络，作为解码网络的输入； 步骤S2具体包括如下步骤： 步骤S21，领域差异分析，将高光谱数据投入进异常检测器中，高光谱数据按波段融合并进行超像素划分，每个像素点根据与周围像素的差异程度来判断异常程度，得到异常概率图，并通过连通区域分析从一致性图像中筛选异常区域，剔除面积过大的区域，以生成异常检测图； 步骤S22，滑动平均更新，将所有的异常检测图采用滑动平均更新策略，得到异常概率检测图； 在步骤S2中，异常检测器的检测包括如下步骤： 步骤S211，将高光谱数据按波段进行求和，生成灰度图像G； 步骤S212，将灰度图像G的每个像素值表示为所有波段的和： 将灰度图像G归一化到[0，1]的区间；其中，m为图像的宽度，n为图像的高度，b为图像的波段数，为灰度图像G的像素点的值； 步骤S213，将归一化后的灰度图像G通过超像素分割算法划分为多个超像素区域，赋予每个超像素一个唯一的标签，表示当前像素所属的超像素区域； 步骤S214，设当前超像素的标签为，并设置一个距离参数d，通过距离领域扩展来找到包围该超像素的像素，设当前像素值为，领域像素值为，领域的计算公式为： =； 步骤S215，计算当前像素值与领域像素值的均值差异： ； 步骤S216，将差异值平方并记录在异常概率图M中，并进行标准化处理： ； 步骤S217，计算中前5%的像素值的阈值T： 式中，将异常概率图M中的所有像素值按降序排列，将前5%的像素值转换为1； 步骤S218，进行连通区域分割，为每个异常组件计算其包含的像素点数量，将各像素块记为，i=1,2,3…；若的像素点数量大于50，则认为该像素块不是异常点，记为0；否则，保留原始的值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人温州大学，其通讯地址为：325000 浙江省温州市瓯海区茶山高教园区温州大学；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。